.png){kind=icon}
返回
Fairness-Aware Hypergraph Self-Supervised Learning With Sampling-Efficient Signals
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2026.3676748.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自监督学习（SSL）为无需依赖昂贵标签的超图表示学习提供了一种有前景的范式。然而，现有的超图SSL方法主要采用基于实例级区分的对比学习，面临两大显著挑战：（1）不可靠的负采样，即任意选择的负样本通过错误分类相似和不相似对引入偏差；（2）高昂的计算成本，因为有效训练需要大量负样本。为解决这些局限性，我们提出SE-HSSL，一种具有三种采样高效自监督目标的超图SSL框架。具体而言，基于典型相关分析的两个无采样目标作为节点级和组级信号，而一个层次化成员级对比目标则利用超图的级联重叠结构。除这些挑战外，深度超图模型倾向于对由敏感属性（如性别和种族）定义的组产生有偏预测。我们从理论上表明，超图消息传递过程中不平衡的组贡献会放大此类偏差。为此，我们提出FairHSSL，一种具有公平性意识的SE-HSSL扩展，采用两级去偏增广策略。具体而言，我们通过互补的特征级和结构级调整构建公平超图视图。在特征级，正交投影从节点表示中移除敏感信息；在结构级，基于再平衡的扰动使消息传递过程中的组贡献均等化。通过在SSL下对齐公平视图和原始视图，模型在保留信息信号的同时减轻了偏差。在10个真实世界超图上的广泛实验证明了SE-HSSL的有效性和效率。
Keyword:
Hypergraph
self-supervised learning
efficiency
fairness
期刊
IF:
10.4
论文数:
6.9K
被引数:
3.2W
机构
引用论文
Hypergraph Convolutional Recurrent Neural Network.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
PREAI
分享收藏
查看更多内容